使用MATLAB构建BP神经网络模型进行应力预测

本文介绍使用MATLAB构建BP神经网络模型进行应力预测的步骤，包括数据预处理、神经网络创建、训练和验证。代码示例展示了如何利用样本数据训练神经网络，并使用验证数据评估其预测性能。

代码示例

clear
%% 
%归一化阶段
%读取应力样本数据
p1=xlsread('C:\Users\Administrator\Desktop\样本数据汇总\铁素体\大范围数据\总处理.xlsx','sheet1');
%p3=p1';
%[p1,p2]=mapminmax(p1,0,1);
for i=1:9
    p3(:,i)=(p1(:,i)-60)/2500;
end
p3(:,10)=p1(:,11);  %矩阵定义的事，
t1=xlsread('C:\Users\Administrator\Desktop\样本数据汇总\铁素体\大范围数据\总处理.xlsx','sheet2');


t2(:,1)=(t1(:,2)-100)/400;
t2(:,2)=(t1(:,3)-t1(:,4)-20)/280;
t2(:,3)=(t1(:,4)-20)/480;
p4=p3';
t4=t2';
a1=0;

for i8=[100,500,1000,2000,5000]
    a1=a1+1;
    for i7=1:i8
        p(:,i7)=p4(:,i7);
        t(:,i7)=t4(:,i7);
    end
%end
%%
%创建net
%创建BP网络和定义训练函数及参数
    a2=0;
for i5=[6,10,16,26,35]
    a2=a2+1;
    i10=round(i5*.618);
    net=newff(minmax(p),[i10,i5,3],{'logsig','logsig','purelin'},'trainscg');
    net.trainParam.lr=0.1;                                         %学习速率
    net.trainParam.mc=0.9;                                         %动量因子
    net.trainParam.epochs=10000;                                    %最大的训练次数
    net.trainParam.goal=1.0e-4;                                      %训练要求精度
    net.trainParam.show = 50;
    net=init(net);                                                 %初始化神经网络
    %训练神经网络 
    [net,tr]=train(net,p,t);   %[神经网络的名称（随意命名），展示训练记录按钮]
    a14= strcat('F:\神经网络算法\训练好的神经网络撒双层4（汇总）\net', num2str(1),'.mat');  %strcat将字符型变量连接起来
    save(a14,'net');      %把训练好的神经网络保存起来(save文件位置+名称，'要保存的神经网络结构名称')
    %%
    %神经网络的验证环节
    %B1=[395;418;463;526;609;699;797;895;957;0.00494;0.34578]'; %奥氏体数据
    %B1=[269;280;301;330.5;365;403.8;440.4;470.2;483.8;0.00267;0.167]';%铁素体数据
   
    %低应变奥氏体数据
    %B1=zeros();
    %B2=zeros();
    
       B1=xlsread('C:\Users\Administrator\Desktop\神经网络结构确定\铁素体50组验证\excel1.xls','sheet1');
       for i6=1:50
       B2=zeros();
       for i2=1:9
           B2(1,i2)=B1(i6,i2);
       end
       B2(1,10)=B1(i6,11);
       
       for i=1:9
           B2(1,i)=(B2(1,i)-60)/2500;
       end
       a12=sim(net,B2');  %[训练出来的神经网络算法名称，要预测的变量]
       %a13(1,i1-4)=a12(1,1)*15+45;
       %a13(2,i1-4)=a12(2,1)*130+180;
       %a13(4,i1-4)=a12(4,1)*320+30;
       %a13(3,i1-4)=a12(3,1)*160+40+a13(4,i1-4);
       %a13(1+4*(i3-5),i1)=55;
       %a13(2+4*(i3-5),i1)=a12(1,1)*400+100;
       %a13(4+4*(i3-5),i1)=a12(3,1)*480+20;
       %a13(3+4*(i3-5),i1)=a12(2,1)*380+20+a13(4,i1);
       a13(1,(a1-1)*250+50*(a2-1)+i6)=55;
       a13(2,(a1-1)*250+50*(a2-1)+i6)=a12(1,1)*400+100;
       a13(4,(a1-1)*250+50*(a2-1)+i6)=a12(3,1)*480+20;
       a13(3,(a1-1)*250+50*(a2-1)+i6)=a12(2,1)*280+20+a13(4,(a1-1)*250+50*(a2-1)+i6);
       end
end
end

%end
xlswrite('C:\zuhe1.xls',a13','sheet1','A1');

代码解释

第一行代码 'clear' 的作用是清除当前工作区的所有变量。
第三行代码是注释，表示下面的代码是进行归一化阶段。
第五行代码通过xlsread函数读取Excel文件中的样本数据，并将读取的数据存储在变量p1中。
第六行代码将p1中的数据进行归一化处理，将数据映射到0到1之间。
第七行代码使用循环将p1中的数据进行归一化处理，将数据缩放到指定的范围内。
第八行代码将p1中的应力数据（第11列）存储在变量p3的最后一列中。
第九行代码使用xlsread函数读取Excel文件中的样本数据，并将读取的数据存储在变量t1中。
第十一行代码将t1中的数据进行归一化处理，将数据映射到0到1之间，并存储在变量t2中。
第十三行代码将p3和t2分别转置，存储在变量p4和t4中。
第十四行代码将变量a1初始化为0。
第十五行代码使用循环，循环次数为变量i8的值（100, 500, 1000, 2000, 5000）。
第十六行代码将变量a1加1。
第十七行代码使用循环，循环次数为1到i8。
第十八行代码将p4和t4的部分数据存储在变量p和t中。
第二十一行代码创建一个新的BP神经网络，输入层节点数为minmax(p)（p的最小值和最大值），隐藏层节点数为[i10,i5,3]，激活函数分别为'logsig'、'logsig'和'purelin'。
第二十二行代码设置神经网络的训练参数，包括学习速率、动量因子、最大训练次数和训练精度要求。
第二十三行代码对神经网络进行初始化。
第二十六行代码使用train函数对神经网络进行训练，并将训练记录存储在变量tr中。
第二十七行代码将训练好的神经网络保存在指定位置和名称的.mat文件中。
第三十一行代码创建一个空的矩阵a13。
第三十二行代码使用xlsread函数读取Excel文件中的验证数据，并将读取的数据存储在变量B1中。
第三十三行代码使用循环，循环次数为1到50。
第三十四行代码创建一个空的矩阵B2。
第三五行代码将B1中的部分数据存储在变量B2中。
第三十六行代码将B2中的应力数据进行归一化处理。
第三七行代码使用sim函数对训练好的神经网络进行验证，并将结果存储在变量a12中。
第四十行代码将验证结果反归一化，并存储在变量a13中。
第四十一行代码将a13的转置写入Excel文件中。

总结

代码示例展示了如何利用MATLAB构建BP神经网络模型进行应力预测。通过数据预处理、神经网络创建、训练和验证等步骤，可以建立一个能够预测应力的模型。需要注意的是，实际应用中需要根据具体需求调整神经网络参数，以获得最佳预测效果。